Las simulaciones de dinámica molecular (MD) son esenciales para dilucidar la función biomolecular, sin embargo, el costo computacional de los modelos todo a átomo a menudo limita su alcance. Los modelos de grano grueso aprendidos por máquina (MLCG) ofrecen una solución al simplificar la representación manteniendo una precisión casi atomística. Sin embargo, el entrenamiento de modelos MLCG actualmente requiere grandes cantidades de conformaciones muestreadas etiquetadas con fuerzas provenientes de MD atomística de referencia. Aquí, superamos esta limitación unificando el entrenamiento de modelos MLCG con los principios de modelos generativos de difusión. Demostramos que se pueden recuperar distribuciones precisas y de alta dimensión de conjuntos moleculares integrando el ajuste tradicional por fuerzas con objetivos de reducción de ruido. Este marco permite construir campos de fuerza físicamente consistentes y estables a la vez que reduce los requerimientos de datos atomísticos hasta en dos órdenes de magnitud. Validado en diversos plegamientos y escalas proteicas, nuestro trabajo establece un puente entre la simulación de dinámica molecular y el aprendizaje generativo moderno, reduciendo sustancialmente el costo computacional para construir modelos MLCG precisos y ampliando su aplicabilidad a grandes sistemas biomoleculares.
Durumeric et al. (Thu,) estudiaron esta cuestión.